ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. ISSN 1684-1719. 2020. № 8
Оглавление выпускаТекст статьи (pdf)
DOI https://doi.org/10.30898/1684-1719.2020.8.4
УДК 621.396
Оценка спектрального подобия цифровых изображений
А. В. Кокошкин
Фрязинский филиал Института радиотехники и электроники им. В.А. Котельникова РАН, 141120, Московская обл., г. Фрязино, пл. Введенского, 1
Статья поступила в редакцию 31 июля 2020 г.
Аннотация. В работе предлагается новая оценка качества цифровых изображений - спектральное подобие (Ssm - spectral similarity measure). Такая оценка может использоваться при определении эффективности работы того или иного метода реконструкции цифровых изображений, полученных в различных диапазонах волн. Это проиллюстрировано на примере заполнения лакун на реальных цифровых изображениях. Тестировались метод интерполяции последовательно вычисляемого спектра Фурье (МИПВС), кубический сплайн и нейросеть. Установлено, что совместно с другими объективными критериями спектральное подобие может применяться при экспертизе различных изображений или их фрагментов.
Ключевые слова: качество цифровых изображений, объективные критерии, спектральное подобие.
Abstract. This article proposes a new assessment of the quality of digital images - spectral similarity (Ssm - spectral similarity measure). Such an assessment can be used to determine the efficiency of a particular method for reconstructing digital images obtained in different wavelengths. This is illustrated by the example of filling gaps in real digital images. The interpolation method for the sequential calculation of the Fourier spectrum (IMSCS), cubic spline and neural network were tested. It has been established that, together with other objective criteria, spectral similarity can be used in the examination of various images or their fragments.
Key words: quality of digital images, objective criteria, spectral similarity.
Литература
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. «Техносфера», 2005, 1071 стр.
2. Монич Ю.И., Старовойтов В.В. Оценки качества для анализа цифровых изображений // Искусственный интеллект. 2008. №4. С.376-386.
3. Pratt W.K. Digital Image Processing. – John Wiley and Sons, Inc., USA, 1978.
4. Пирогов Ю.А., Гладун В.В., Тищенко Д.А., Тимановский А.Л., Шлемин И.В, Джен С.Ф. // Сверхразрешение в системах радиовидения миллиметрового диапазона. Журнал радиоэлектроники [электронный журнал]. 2004. №3. URL: http://jre.cplire.ru/jre/mar04/3/text.html
5. Бейтс Р. Мак-Доннел М. Восстановление и реконструкция изображений. / Пер. с англ.к. ф-м н. Б.С. Кругликова и С.Л. Ярославского под редакцией д. ф-м н. Л.П. Ярославского. М.: «Мир», 1989, 487 с.
6. Новейшие методы обработки изображений. / Под ред. А.А. Потапова. – М.: ФИЗМАТЛИТ, 2008, 496 с.
7. Wang Z., Bovik A.C., Sheikh H.R Image quality assessment: From error visibility to structural similarity // IEEE transaction on Image Processing. – 2004. – Vol.13. №4. – P.309.
8. Wang X., Tian B., Liang C., Shi D. Blind Image Quality Assessment for Measuring Image Blur // Congress on Image and Signal 2008 Congress on Image and Signal Processing, 2008.
9. Журавель И.М. Краткий курс теории обработки изображений. URL: http://matlab.exponenta.ru/imageprocess/book2/index.php
10. Avcibas I., Sankur B., Sayood K. Statistical evaluating of image quality measures // Journal of Electronic Imaging. – April 2002. – Vol.11. №2. – Р.206-223.
11. Макаров А.О. Алгоритмы увеличения пространственного разрешения и обработки мультиспектральных спутниковых изображений: Дисc. … к-та техн. наук: 05.13.01 / А.О. Макаров. – Минск, 2006. – 156 с.
12. Кокошкин А.В., Коротков В.А., Коротков К.В., Новичихин Е.П. «Метод прогнозирования возможного улучшения качества искажённых изображений». // Журнал радиоэлектроники [электронный журнал]. 2015. №6. URL: http://jre.cplire.ru/jre/jun15/5/text.html
13. Кокошкин А.В., Коротков В.А., Коротков К.В., Новичихин Е.П. Сравнение объективных методов оценки качества цифровых изображений // Журнал радиоэлектроники [электронный журнал], 2015. №6. URL: http://jre.cplire.ru/jre/jun15/15/text.html
14. Wilder W.C. Subjective Relevant Error Criteria for Pictorial Data Processing // Purdue University, School of Electrical Engineering, Report TR-EE 72-34, December 1972.
15. Гуляев Ю.В., Зражевский А.Ю., Кокошкин А.В., Коротков В.А., Черепенин В.А. Коррекция пространственного спектра, искаженного оптической системой, с помощью метода опорного изображения. Часть 3. Универсальный опорный спектр // Журнал радиоэлектроники [электронный журнал]. 2013. №12. URL: http://jre.cplire.ru/jre/dec13/3/text.html
16. Кокошкин А.В., Коротков В.А., Коротков К.В., Новичихин Е.П. Использование спектра Фурье изображения для ретуширования и восстановления отсутствующих частей искажённого аппаратной функцией изображения // Журнал Радиоэлектроники [электронный журнал]. 2016. №7. URL: http://jre.cplire.ru/jre/jul16/4/text.html
17. Ашкеназы А.В. Сплайн-поверхности. Основы теории и вычислительные алгоритмы: учебное пособие. Тверь: Изд-во Тверского гос. ун-та, 2003. – 82 с.
18. Нестеренко Е.А. Возможность использования сплайн-поверхности для построения поверхностей по результатам съемок. // Записки Горного института. 2013. Т.204. С.127 - 133.
19. Movavi фоторедактор 5 [электронный ресурс] – URL https://www.movavi.ru/photo-editor/
20. Кокошкин А. В., Коротков В. А., Коротков К. В., Новичихин Е. П. Ретуширование и восстановление отсутствующих частей изображений с помощью итерационного вычисления их спектров // Компьютерная оптика. – 2019. – Т.43. №6. – С.1030-1040. – https://doi.org/10.18287/2412-6179-2019-43-6-1030-1040
Для цитирования:
Кокошкин А.В. Оценка спектрального подобия цифровых изображений. Журнал радиоэлектроники [электронный журнал]. 2020. №8. https://doi.org/10.30898/1684-1719.2020.8.4